最新Nature子刊：计算化学+机器学习，确定最佳催化剂结构！

第一作者：Yusei Hisata

通讯作者：Yoichi Hoshimoto

通讯单位：日本大阪大学

论文速览

在合成化学领域，基于化学信息学的机器学习（ML）已被用于确定最佳反应条件，包括催化剂结构。然而，在使用路易斯酸性主族元素的催化分子转化的背景下，这种以ML为重点的策略在很大程度上仍未被探索，这可能是由于缺乏候选库和预测主族元素活性的有效指导方针。

本研究利用基于化学信息学的机器学习（ML）方法，优化了合成化学中的反应条件，包括催化剂结构。研究团队构建了一个三芳基硼烷的计算机模拟库，并应用ML辅助方法，确定了最佳的硼烷催化剂B(2,3,5,6-Cl₄-C₆H)(2,6-F₂-3,5-(CF₃)₂-C₆H)₂ ，该催化剂在4-甲基四氢吡喃存在下对苯胺衍生的氨基酸和肽与醛和氢气催化还原烷基化，表现出显著的官能团兼容性，并且仅生成水作为副产品。

图文导读

图1：本研究的概念和策略，包括三芳基硼烷在催化还原烷基化中的作用，以及通过计算机模拟库辅助识别最优硼烷的过程。

图2：构建的三芳基硼烷计算机模拟库，以及用于获取实验参数（每小时周转频率TOF）的模型反应。

图3：利用高斯过程回归（GPR）对Bxy进行优化，展示了不同模型预测的TOF值，并与实验TOF值进行了比较。

图4：探索理论参数，包括EDEF和Mulliken电荷，以及它们在预测TOF值中的应用。

图5：优化了反应条件，探索了更环保的路易斯碱溶剂，并比较了使用MTHP和THF作为溶剂时的活化能。

图6：探索B^4b催化的还原烷基化反应对各种添加剂的官能团兼容性。

图7：B^4b和MTHP组合在还原烷基化反应中的应用范围，包括不同氨基酸和肽衍生物的烷基化。

总结展望

本研究成功地应用了计算化学和机器学习方法来设计和优化三芳基硼烷催化剂，这些催化剂在还原烷基化反应中表现出优异的性能。通过构建计算机模拟库和使用高斯过程回归分析，研究团队不仅确定了最优的催化剂结构，还发现了4-甲基四氢吡喃(MTHP)作为路易斯碱溶剂的优势。

该研究不仅提高了合成效率，还减少了环境影响，展示了在绿色化学和可持续化学合成中的巨大潜力。未来的工作可能会进一步探索和优化这些催化剂的性能，并将其应用于更广泛的化学反应中。

文献信息

标题：In-silico-assisted derivatization of triarylboranes for the catalytic reductive functionalization of aniline-derived amino acids and peptides with H₂

期刊：Nature Communications

DOI：10.1038/s41467-024-47984-0